CN102707708A - 多模型飞行控制系统故障诊断方法及装置 - Google Patents

Abstract

本发明提出一种基于期望模式扩展的多模型飞行控制系统故障诊断方法，包括：统计飞行控制系统的各种故障并建立基本模型集；预测当前时刻的多个故障模型的概率并建立期望模型集；将基本模型集和期望模型集进行组合以建立当前时刻故障模型集；对当前时刻模型集中的每个故障模型进行滤波和概率更新；如果当前时刻模型集中的某个故障模型的概率大于或等于预设的概率阈值，则判断飞行控制系统发生故障模型对应的故障。本发明还提出了一种基于期望模式扩展的多模型飞行控制系统故障诊断装置，包括:基本模型集建立模块、期望模型集建立模块、当前时刻模型集建立模块、滤波和概率更新模块、故障判断模块。本发明还提出了一种飞行控制系统。

Description

多模型飞行控制系统故障诊断方法及装置

技术领域

本发明涉及飞行控制技术领域，特别涉及一种基于期望模式扩展的多模型飞行控制系统故障诊断方法、故障诊断装置及飞行控制系统。

背景技术

从八十年代初开始，自修复飞行控制作为一项新的故障处理方法引起越来越广泛的重视，而其中一个重要方面就是故障检测和诊断系统。自主式故障诊断系统的发展，不仅能为自修复控制提供保障，实现在线重构控制，而且能给地面维护人员提供飞机状况的各种信息，对地勤的工作提供有效的帮助。因此，在现代飞机飞行中，快速准确的自主式故障诊断方法能大大提高飞机飞控系统的可靠性、可维护性、生存性并降低全寿命费用。

当前常用的故障检测和诊断方法主要包括滤波器方法、状态观测器方法、多模型方法、故障树分析、专家系统、神经网络等，其中前三者都需要建立系统模型，后三者不需要具体模型。在飞行控制系统中，可以建立飞机动力学和运动学模型，而且为了实现重构控制，需要明确故障类型、故障位置和故障大小，而故障树分析、专家系统、神经网络等方法无法完全达到这些要求。因此在飞行控制系统中，常用的诊断方法为滤波器方法、状态观测器方法、多模型方法。

滤波器和观测器方法都是需要构造被控对象的过程模型，通过比较构造的过程模型输出值与实际系统测量值来产生残差，从中提取故障特征，然后根据检验规则判断是否发生故障。其中滤波器方法主要包括卡尔曼滤波器（KF）和扩展卡尔曼滤波器（EKF），卡尔曼滤波器是是一种递推的状态估计算法，它采用的是状态空间模型，在白噪声情况下能很好地跟踪系统的状态。对于非线性系统，可引入扩展卡尔曼滤波（Extended Kalman Filter，EKF）方法。而基于观测器的方法不需要状态估计理论，只需对输出进行估计，然后与实际系统输出比较得到残差。这两种方法都可用于检测飞控系统故障，但是对于残差的故障特征提取、检验规则选取以及故障大小的计算都是较难解决的问题，而且可能存在误差，尤其是当系统存在多种类型或者多个故障同时发生时，这两种方法不能很好地解决问题。

多模型方法的引入可以较好地解决故障类型多样的问题，它将各种故障分别建立模型，对这些故障模型建立一系列的卡尔曼滤波器，然后根据贝叶斯（Bayes）后验概率得到各个模型的概率，根据此概率的大小来判断系统是否工作于正常状态或者确定出发生了哪种故障。这种方法操作起来非常简单，而且能很好地解释故障的物理意义。但传统的多模型方法存在一个问题，当系统的故障种类很多或者组合故障很多时，故障模型集会非常大，给计算带来困难而且影响诊断结果。如何减少模型个数是多模型方法面临的一个主要问题，本发明正是基于这个需要，提出了一种能实现模型集在线自适应更新的变结构多模型方法。

发明内容

本发明的目的旨在至少解决上述技术缺陷之一。

为此，本发明实施例的第一个目的在于提出一种基于期望模式扩展的多模型飞行控制系统故障诊断方法，通过采用期望模式扩展，实现了模型集的在线自适应更新，用期望模型来描述系统未来可能的故障模式，解决了模型集巨大的问题，可获得一种快速准确的故障诊断方法，能在线实时检测单个或者多个故障，为自修复控制和维护决策提供了基础和保障。本发明实施例的第二个目的在于提供一种基于期望模式扩展的多模型飞行控制系统故障诊断装置。本发明实施例的第三个目的在于提供一种飞行控制系统。

为达到上述目的，本发明第一方面的实施例公开了一种基于期望模式扩展的多模型飞行控制系统故障诊断方法，采用期望模型来描述系统未来的可能故障模式，包括以下步骤：统计飞行控制系统的多个故障并建立对应的多个故障模型，根据所述多种故障模型建立基本模型集；预测当前时刻的所述多个故障模型的概率，根据所述基本模型集以及所述当前时刻预测概率最大的前多个故障模型得到所述预设数目个期望模型集，将所述预设数目个期望模型集组合，建立期望模型集；组合所述基本模型集和所述期望模型集得到当前时刻模型集，并根据当前时刻模型集更新概率转移矩阵；对当前时刻模型集中的每个故障模型进行滤波和概率更新；对每个所述故障模型的概率设置概率阈值，并将所述当前时刻故障模型集中的每个所述故障模型的概率与概率阈值进行比较，如果所述故障模型的概率大于或等于所述概率阈值，则判断所述飞行控制系统发生所述故障模型对应的故障。

根据本发明实施例的基于期望模式扩展的多模型飞行控制系统故障诊断方法，通过采用期望模式扩展，实现了变结构的多模型方法，即实现了模型集的在线自适应更新，通过期望模型来描述系统未来可能的故障模式，解决了模型集巨大的问题，可获得一种快速准确的故障诊断方法，能在线实时检测单个或者多个故障，为自修复控制和维护决策提供了基础和保障。

在本发明的一个实施例中，所述基本模型集由飞行控制系统的各种单故障模型组成，包括操作舵面故障模型、作动器故障模型和传感器故障模型。

在本发明的一个实施例中，所述预测当前时刻的所述多个故障模型的概率进一步包括：根据上一时刻模型的概率以及所述基本模型集的概率转移矩阵预测当前时刻的所述多个故障模型的概率。

在本发明的一个实施例中，所述根据当前时刻模型集更新概率转移矩阵进一步包括：根据实际系统故障模式间的关系，绘制所述基本模型集的状态转换图，得到所述基本模型集的状态转换关系，设定所述基本模型集的概率转移矩阵的预设值；绘制当前时刻模型集的状态转换关系，并在基本模型集的概率转移矩阵基础上计算得到当前时刻模型集的概率转移矩阵。

在本发明的一个实施例中，所述根据所述基本模型集以及所述当前时刻预测概率最大的前多个故障模型得到所述预设数目个期望模型，将所述预设数目个期望模型组合，建立期望模型集进一步包括：根据所需所述期望模型集的个数确定所述基本模型集的子模型集个数；在所述基本模型集中选取所述当前时刻模型的概率最大的前多个模型，组合所述模型得到预设数目的子模型集序列；将所述子模型集序列中每一个子模型集的模型组合得到一个期望模型，由所述期望模型得到所述期望模型集。

在本发明的一个实施例中，所述对当前时刻模型集中的每个故障模型进行滤波和概率更新进一步包括：在每个时刻由所述基本模型集和所述期望模型组合得到所述当前时刻模型集后，对所述当前时刻故障模型集中的每个故障模型分别进行滤波得到状态估计和残差，并对所述故障模型的概率进行更新。

在本发明的一个实施例中，对所述当前时刻故障模型集中的每个故障模型分别进行滤波得到状态估计和残差，并对所述故障模型的概率进行更新，进一步包括：

根据上一时刻模型的滤波器的所述状态估计和协方差输出值，初始化所述当前时刻模型对应的滤波器的所述状态估计和所述协方差，并预测所述当前时刻模型的概率；根据卡尔曼滤波过程，分别对所述当前时刻模型更新所述状态估计和所述协方差，并计算所述残差和残差协方差；根据贝叶斯后验概率准则计算所述当前时刻模型的概率。

本发明第二方面的实施例还提出了一种基于期望模式扩展的多模型飞行控制系统故障诊断装置，包括：基本模型集建立模块，所述基本模型集建立模块用于统计飞行控制系统的多种故障并建立对应的多个单故障模型，并根据所述多个单故障模型建立基本模型集；期望模型集建立模块，所述期望模型集建立模块用于预测当前时刻的所述多个故障模型的概率，根据所述基本模型集以及所述当前时刻预测概率最大的前多个故障模型得到所述预设数目个期望模型，将所述多个期望模型组合，建立期望模型集；当前时刻模型集建立模块，所述当前时刻模型集建立模块用于组合所述基本模型集和所述期望模型集得到当前时刻模型集，并根据当前时刻模型集更新概率转移矩阵；滤波和概率更新模块，所述滤波和概率更新模块对所述当前时刻模型分别进行滤波得到状态估计和残差，并对所述当前时刻模型的概率进行更新；故障判断模块，所述故障判断模块对所述故障模型的概率设置概率阈值，并将所述当前时刻模型集中的每个所述故障模型的概率与概率阈值进行比较，如果所述故障模型的概率大于或等于所述概率阈值，则所述故障判断模块判断所述飞行控制系统发生所述故障模型对应的故障。

根据本发明实施例的基于期望模式扩展的多模型飞行控制系统故障诊断装置，通过采用期望模式扩展，实现了变结构的多模型方法，即实现了模型集的在线自适应更新，通过期望模型来描述系统未来可能的故障模式，解决了模型集巨大的问题，可获得一种快速准确的故障诊断方法，能在线实时检测单个或者多个故障，为自修复控制和维护决策提供了基础和保障。

在本发明的一个实施例中，所述基本模型集由飞行控制系统的各种单故障模型组成，包括操作舵面故障模型、作动器故障模型和传感器故障模型。

在本发明的一个实施例中，所述预测当前时刻的所述多个故障模型的概率进一步包括：根据上一时刻模型的概率以及所述上一时刻模型集的概率转移矩阵预测当前时刻的所述多个故障模型的概率。

在本发明的一个实施例中，所述基本模型集的概率转移矩阵的预设值设定进一步包括：根据实际系统故障模式间的关系，绘制所述基本模型集的状态转换图，得到所述基本模型集的状态转换关系，设定所述基本模型集的概率转移矩阵的预设值。

在本发明的一个实施例中，所述根据所述基本模型集以及所述当前时刻预测概率最大的预设数目个故障模型得到所述多个期望模型，将所述多个期望模型组合，建立期望模型集，还进一步包括：所述期望模型建立模块根据所需所述期望模型的个数确定所述基本模型集的子模型集个数；所述期望模型建立模块在所述基本模型集中选取所述当前时刻模型的概率最大的前多个模型，组合所述模型得到预设数目的子模型集序列；所述期望模型建立模块将所述子模型集序列中每一个子模型集的模型组合得到一个期望模型，由所述期望模型得到所述期望模型集。

在本发明的一个实施例中，所述当前时刻模型集建立模块将所述基本模型集和所述期望模型集组合得到当前时刻模型集，并根据当前时刻模型集更新概率转移矩阵进一步包括：绘制当前时刻模型集的状态转换关系，并在基本模型集的概率转移矩阵基础上计算得到当前时刻模型集的概率转移矩阵。

在本发明的一个实施例中，所述滤波和概率更新模块对所述当前时刻模型分别进行滤波得到状态估计和残差，并对所述当前时刻模型的概率进行更新。

在本发明的一个实施例中，所述滤波和概率更新模块对所述当前时刻模型的概率进行更新进一步包括：根据上一时刻模型的滤波器的所述状态估计和协方差输出值，初始化所述当前时刻模型对应的滤波器的所述状态估计和所述协方差，并预测所述当前时刻模型的概率；根据卡尔曼滤波过程，分别对所述当前时刻模型更新所述状态估计和所述协方差，并计算所述残差和残差协方差；所述概率更新模块根据贝叶斯后验概率准则计算所述当前时刻各个所述故障模型的概率。

本发明第三方面的实施例还提出了一种飞行控制系统，包括：自动驾驶仪模块，所述自动驾驶仪模块用于根据飞机的飞行导引指令，输出自动驾驶指令，控制飞机进行自动飞行；基本飞行控制模块，所述基本飞行控制模块用于根据所述自动驾驶指令，通过基本的PID控制器对飞机进行控制分别按照各个指令对飞机进行控制；如本发明第二方面实施例所述的故障检测与诊断模块，所述故障检测与诊断模块用于检测和诊断飞行控制系统的故障，输出故障信息；重构控制模块，所述重构控制模块用于根据所述故障信息重构飞行控制律；以及座舱，所述座舱用于为半实物装置，用于输入驾驶杆信息，手动控制飞机飞行。

根据本发明实施例的飞行控制系统，能够对飞机所发生的故障做出快速、有效、准确的故障诊断，能在线实时检测单个或者多个故障，为飞机发生故障时的自修复控制和维护决策提供了基础和保障，有效地提高了排除故障效率、缩短维修时间、减少维修成本、提高飞机的安全性。

在本发明的一个实施例中，所述飞行控制系统，还进一步包括视景模块，所述视景模块用于显示飞机飞行状态以及所述故障信息。

在本发明的一个实施例中，所述飞行控制系统，还进一步包括接口模块，所述接口模块用于与外部进行通讯。

在本发明的一个实施例中，所述与外部进行通讯包括：与综合导航系统、驾驶舱和视景系统进行数据通讯。

本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1为根据本发明实施例的基于期望模式扩展的多模型飞行控制系统故障诊断方法的流程图；

图2为根据本发明实施例的由基本模型扩展得到的故障空间；

图3为根据本发明实施例的基于期望模型扩展的故障状态转换图；

图4为根据本发明的另一个实施例的基于期望模式扩展的多模型飞行控制系统故障诊断方法的流程图；

图5为根据本发明实施例的基于期望模式扩展的多模型飞行控制系统故障诊断装置的示意图；

图6为根据本发明实施例的飞行控制系统的结构框图；

图7为根据本发明实施例的飞行控制系统的示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。

下面参照附图详细描述根据本发明实施例的基于期望模式扩展的多模型飞行控制系统故障诊断方法。

如图1所示，本发明第一方面实施例的基于期望模式扩展的多模型飞行控制系统故障诊断方法，包括如下步骤：

S1：统计飞行控制系统的各种故障并建立对应的多个单故障模型，根据多个单故障模型建立基本模型集。

在本发明的一个实施例中，步骤S1中所述的基本模型集是由飞行控制系统的各种单故障模型组成，以操作舵面故障模型、作动器故障模型和传感器故障模型为例，需要理解的是本发明所可以采用的故障模型并不仅限于上述故障模型。

飞行控制系统的故障主要包括作动器故障、结构故障和传感器故障，其中结构故障是指飞机本体的故障，在本实施例中主要考虑为操纵舵面的故障。对这些单故障分别建立模型，形成一系列的故障模型。假设飞机无故障时的线性化模型为：

x(k+1)=F(k)x(k)+G(k)u(k)+w(k)

y(k)=H(k)x(k)+v(k)

其中x为状态向量，y为测量向量，F、G、H为参数矩阵，w为系统噪声，v为观测噪声。当第i个舵面或者作动器发生故障时，其模型可写为：

$x(k+1)=F\left(k\right)x\left(k\right)+G^{(0,i)}\left(k\right)\mathrm{\δ}\left(k\right)+G^i\left(k\right){\stackrel{\‾}{\mathrm{\δ}}}_i\left(k\right)+\mathrm{\Γ}\left(k\right)w\left(k\right)$

y(k+1)=H(k)x(k)+v(k)

其中

表示未知的故障参数，这里指第i个故障作动器或者舵面的偏转，而δ表示无故障时的偏转，G^(0,i)表示令矩阵G的第i列元素为0。

类似的，当第i个传感器发生故障时，其模型可写为：

x(k+1)=F(k)x(k)+G(k)u(k)+Γ(k)w(k)

$y\left(k\right)=\left[\begin{array}{cc}{H}^{(0,i)}\left(k\right)& I_l^i\end{array}\right]\left[\begin{array}{c}x\left(k\right)\\ {\stackrel{\‾}{y}}_i\left(k\right)\end{array}\right]+v\left(k\right)$

其中

表示未知的传感器故障大小，H^(0,i)表示令矩阵H的第i行元素为0。

将上面所述的基本模型集写为：M_b={m₀,m₁,…,m_n}，在这些基本模型的基础上扩展得到的故障空间如图2所示。

S2：预测当前时刻的所述多个故障模型的概率，根据基本模型集以及当前时刻预测概率最大的前多个故障模型得到预设数目个期望模型，将得到的预设数目个期望模型组合，建立期望模型集。

在本发明实施例中，采用期望模型扩展来对多模型方法进行改进，期望模型根据基本模型集及其预测概率得到，用于表示系统未来可能发生的故障。

在本发明的一个实施例中，期望模型主要用来描述多个故障组合的情景，因此期望模型是单故障模型的组合，可根据当前时刻各个基本模型的预测概率，选取适当的最可能的单故障模型组合得到。

如图3所示，为当系统采用1个期望模型来描述最多2个故障同时发生的情景，其具体计算包括步骤：

S21：根据上一时刻各故障模型的概率，结合上一时刻模型集的概率转移矩阵，来预测当前时刻的多个故障模型的概率。

第j个模型的预测概率可写为：

${\mathrm{\μ}}_j\left(k\right|k-1)=P\left(m_j\left(k\right)\right|z^{k-1})=\underset{i}{\mathrm{\Σ}}{\mathrm{\π}}_{\mathrm{ij}}{\mathrm{\μ}}_i(k-1)$

其中π_ij为从第i个故障模型跳转到第j个故障模型的转移概率，μ_i(k-1)表示上一时刻第i个模型的概率。

在本发明的一个实施例中，基本模型集的概率转移矩阵的预设值设定进一步包括：根据实际系统故障模式间的关系，绘制基本模型集的状态转换图，得到基本模型集的状态转换关系，设定基本模型集的概率转移矩阵的预设值。

S22：选择基本模型集的子模型集序列，首先根据所需期望模型的个数来确定子模型集的个数。

S23：在基本模型集中，选取当前时刻预测概率最大的前多个模型来组成预设数目的模型集，并将得到的预设数目的模型集组合得到子模型集序列。

在本发明的一个实施例中，将模型集的预设数目设置为1，采用1个期望模型扩展，则子模型集个数也为1，可写为：

M⁽¹⁾={m_i,m_j}

其中m_i,m_j为预测概率最大的前两个单故障基本模型。

当期望模型个数增加时，所需子模型集个数随之增加，可将这些模型集组合为一个模型集序列M_b ⁽¹⁾,…,M_b ^(λ)。

S24：将每一个子模型集中的故障模型组合得到一个期望模型，从而构成期望模型集。

以子模型集M⁽¹⁾={m_i,m_j}为例，由其构成的期望模型e₁可写为：

$x(k+1)=F\left(k\right)x\left(k\right)+G^{(0,\mathrm{ij})}\left(k\right)\mathrm{\δ}\left(k\right)+G^i\left(k\right){\stackrel{\‾}{\mathrm{\δ}}}_i\left(k\right)+G^j\left(k\right){\stackrel{\‾}{\mathrm{\δ}}}_j\left(k\right)+\mathrm{\Γ}\left(k\right)w\left(k\right)$

y(k)=H(k)x(k)+v(k)

其中G^(0,ij)表示令矩阵G的第i和第j列元素为0；

表示第i和第j个故障舵面的偏转，即故障参数。

如果期望模型个数为λ，则期望模型集可写为：

E_k=E(M_b;M_b ⁽¹⁾,…,M_b ^(λ))={e₁,…,e_λ}

S3：将基本模型集和期望模型集进行组合以建立当前时刻故障模型集，并根据当前时刻模型集更新概率转移矩阵。当前时刻故障模型集，可通过对基本模型集与期望模型集求并集得到。当前时刻故障模型序列可看成马尔科夫链，飞行控制系统故障模式之间的转变，用故障模型之间的跳变来加以描述。

当前时刻的模型集由基本模型集和期望模型集组成：

M_k=M_b∪E_k

S31：根据实际系统故障模式间的关系，绘制状态转换图，并初始化模型集的概率转移矩阵。

基本模型集的状态转换关系如图2所示，其概率转移矩阵可写为：

$\mathrm{\Π}=\left[\begin{array}{cccc}{\mathrm{\π}}_{11}& {\mathrm{\π}}_{12}& \·\·\·& {\mathrm{\π}}_{1n}\\ {\mathrm{\π}}_{21}& {\mathrm{\π}}_{22}& \·\·\·& {\mathrm{\π}}_{2n}\\ \·& \·& \·& \·\\ \·& \·& \·& \·\\ \·& \·& \·& \·\\ {\mathrm{\π}}_{n1}& {\mathrm{\π}}_{n2}& \·\·\·& {\mathrm{\π}}_{\mathrm{nn}}\end{array}\right]$

其中π_ij，i,j=1,2,...n表示从故障模式i跳转到故障模式j的概率。

S32：在每个时刻，由基本模型集和期望模型集组合得到当前时刻故障模型集后，根据当前时刻故障模型集更新概率转移矩阵。

假设当前故障模型集为在基本模型集基础上增加了一个期望模型，这个期望模型用于描述2个故障同时发生的情景，其状态转换关系如图3所示，则概率转移矩阵中部分保持不变，需要更新的各转移概率的计算过程如下：

π_1,n＝ξ₁,π_i,n+1＝ξ₁,π_j,n+1＝ξ₁

π₁₁＝p₁₁-π_1,n+1,π_ii＝p_ii-π_i,n+1,π_jj＝p_jj-π_j,n+1

π_n+1,1=ξ₂,π_n+1,i=ξ₂,π_n+1,j=ξ₂,π_n+1,n+1=1-3ξ₂

其中ξ₁，ξ₂表示期望模型与相应的基本模型间的转换关系，可根据先验知识设定。

S4：分别对每个故障模型进行滤波得到状态估计和残差，并根据残差和残差协方差对各故障模型进行概率更新。

S41：根据上一时刻各个滤波器的状态和协方差输出，通过交互融合初始化当前时刻各个滤波器的状态和协方差，并预测各个故障模型的概率。

S42：根据卡尔曼滤波过程，分别对当前时刻各个故障模型进行状态更新和协方差更新，并计算残差和残差协方差；

滤波过程如下：

$\hat{x}(k+1|k+1)=\hat{x}(k+1|k)+K(k+1)r(k+1)$

$\hat{x}(k+1|k)=\hat{x}\left(k\right|k)+\stackrel{.}{\hat{x}}\left(k\right|k)\mathrm{Ts}$

$\stackrel{.}{\hat{x}}\left(k\right|k)=f(\hat{x}\left(k\right|k),u_k)$

K(k+1)=P(k+1|k)H^T(k+1)[H(k+1)P(k+1|k)H^T(k+1)+R_w(k+1)]^-1

P(k+1|k)=P(k+1)F(k)P(k|k)F^T(k)+R_v(k+1)

P(k+1|k+1)=[I-K(k+1)H(k+1)]P(k+1|k)

$r(k+1)=y(k+1)-h(k+1,\hat{x}(k+1|k))$

S(k+1)=H(k+1)P(k+1|k)H(k+1)′+R_v(k+1)

其中x为滤波器状态向量，P为滤波器的协方差阵，K为增益矩阵，r和S为输出残差和残差协方差，T为滤波器采样周期，R_w(k+1)和R_v(k+1)分别为系统噪声协方差阵和测量噪声协方差阵。

S43：假设各个滤波器的残差服从高斯分布，根据贝叶斯（Bayes）后验概率准则计算各个故障模型的概率。

各个故障模型的概率更新如下：

${\mathrm{\μ}}_j\left(k\right)=P\left(m_j\left(k\right)\right|z^k)=\frac{L_j\left(k\right)\·{\mathrm{\μ}}_j\left(k\right|k-1)}{\underset{i}{\mathrm{\Σ}}{L}_i\left(k\right)\·{\mathrm{\μ}}_i\left(k\right|k-1)}$

$L_j\left(k\right)=\frac{1}{{\left(2\mathrm{\π}\right)}^{m/2}{\left|S_j\left(k\right)\right|}^{1/2}}\·e^{-r_j^T\left(k\right){\left|S_j\left(k\right)\right|}^{1/2}{r}_j\left(k\right)/2}$

其中μ_j(k)表示k时刻，第j个模型的概率，μ_j(k|k-1)表示k时刻，第j个模型的预测概率。

S5：对全部故障模型的概率设置一个概率阈值，并将当前时刻故障模型集中的每个故障模型的概率与该概率阈值进行比较，如果某个故障模型的概率大于或等于该概率阈值，则判断飞行控制系统发生了该故障模型对应的故障。判断出系统的当前故障模式后，通过卡尔曼滤波器估计故障的大小。

在本发明的一个实施例中，如图4所示，本发明故障诊断算法的运行原理如下：

当某个模型的概率最大且超过了一定的阈值，则认为系统发生了相应的故障：

故障的大小可作为一个状态添加在状态向量中，通过滤波器来估计出故障大小，以第i个舵面故障为例，扩展的状态方程及测量方程可写为：

$\left[\begin{array}{c}x(k+1)\\ {\stackrel{\‾}{\mathrm{\δ}}}_i(k+1)\end{array}\right]=\left[\begin{array}{cc}F\left(k\right)& G^i\left(k\right)\\ 0& 1\end{array}\right]\left[\begin{array}{c}x\left(k\right)\\ {\stackrel{\‾}{\mathrm{\δ}}}_i\left(k\right)\end{array}\right]+\left[\begin{array}{c}{G}^{(0,i)}\left(k\right)\\ 0\end{array}\right]\mathrm{\δ}\left(k\right)$

$y\left(k\right)=\left[\begin{array}{cc}H& 0\end{array}\right]\left[\begin{array}{c}x\left(k\right)\\ {\stackrel{\‾}{\mathrm{\δ}}}_i\left(k\right)\end{array}\right]$

其中

为扩展的状态量，用于估计故障的大小。

根据本发明实施例的基于期望模式扩展的多模型飞行控制系统故障诊断方法，通过采用期望模式扩展，实现了变结构的多模型方法，即实现了模型集的在线自适应更新，通过期望模型来描述系统未来可能的故障模式，解决了模型集巨大的问题，可获得一种快速准确的故障诊断方法，能在线实时检测单个或者多个故障，为自修复控制和维护决策提供了基础和保障。

如图5所示，本发明第二方面实施例的基于期望模式扩展的多模型飞行控制系统故障诊断装置500，包括：

基本模型集建立模块510、期望模型集建立模块520、当前时刻模型集建立模块530、故障判断模块540、滤波和概率更新模块550。其中，基本模型集建立模块510用于统计飞行控制系统的多种故障并建立对应的多种单故障模型，并根据这些单故障模型建立基本模型集；期望模型集建立模块520用于预测当前时刻的多个故障模型的概率，根据所述基本模型集以及所述当前时刻预测概率最大的前多个个故障模型得到所述预设数目个期望模型，将所述多个期望模型组合，建立期望模型集；当前时刻模型集建立模块530用于组合所述基本模型集和所述期望模型集得到当前时刻模型集，并根据当前时刻模型集更新概率转移矩阵；故障判断模块540用于对故障模型的概率设置概率阈值，并将当前时刻模型集中的每个故障模型的概率与概率阈值进行比较，如果某个故障模型的概率大于或等于概率阈值，则故障判断模块540判断飞行控制系统发生了该故障模型对应的故障。滤波和概率更新模块550用于对当前时刻模型分别进行滤波得到状态估计和残差，并对所述当前时刻模型的概率进行更新。

在本发明的一个实施例中，基本模型集由飞行控制系统的各种单故障模型组成，包括操作舵面故障模型、作动器故障模型和传感器故障模型。

在本发明的一个实施例中，期望模型集建立模块520预测当前时刻的多个故障模型的概率进一步包括：期望模型集建立模块520根据上一时刻模型的概率以及上一时刻模型集的概率转移矩阵预测当前时刻的多个故障模型的概率。

第j个模型的预测概率可写为：

${\mathrm{\μ}}_j\left(k\right|k-1)=P\left(m_j\left(k\right)\right|z^{k-1})=\underset{i}{\mathrm{\Σ}}{\mathrm{\π}}_{\mathrm{ij}}{\mathrm{\μ}}_i(k-1)$

其中π_ij为从第i个故障模型跳转到第j个故障模型的转移概率，μ_i(k-1)表示上一时刻第i个模型的概率。

在本发明的一个实施例中，首次进行预测时期望模型集建立模块520将基本模型集的概率转移矩阵设置为预设值，其中预设值的设定进一步包括：根据实际系统故障模式间的关系，绘制基本模型集的状态转换图，得到基本模型集的状态转换关系，并设定基本模型集的概率转移矩阵的预设值。

基本模型集的状态转换关系如图2所示，其概率转移矩阵可写为：

$\mathrm{\Π}=\left[\begin{array}{cccc}{\mathrm{\π}}_{11}& {\mathrm{\π}}_{12}& \·\·\·& {\mathrm{\π}}_{1n}\\ {\mathrm{\π}}_{21}& {\mathrm{\π}}_{22}& \·\·\·& {\mathrm{\π}}_{2n}\\ \·& \·& \·& \·\\ \·& \·& \·& \·\\ \·& \·& \·& \·\\ {\mathrm{\π}}_{n1}& {\mathrm{\π}}_{n2}& \·\·\·& {\mathrm{\π}}_{\mathrm{nn}}\end{array}\right]$

其中π_ij，i,j=1,2,...n表示从故障模式i跳转到故障模式j的概率。

在本发明的一个实施例中，期望模型集建立模块520根据基本模型集以及当前时刻模型集的概率得到期望模型集进一步包括：

期望模型根据所需期望模型集的个数确定基本模型集的子模型集个数；

期望模型在基本模型集中选取当前时刻模型的概率最大的前多个模型组合得到预设数目个模型集，组合预设数目的模型集得到子模型集序列；

期望模型将子模型集序列中每一个子模型集的模型组合得到一个期望模型，由期望模型得到期望模型集。

在本发明的实施例中，将模型集的预设数目设置为1，采用1个期望模型扩展，则子模型集个数也为1，可写为：

M⁽¹⁾={m_i,m_j}

其中m_i,m_j为预测概率最大的前两个单故障基本模型。

当期望模型个数增加时，所需子模型集个数随之增加，可将这些模型集组合为一个模型集序列M_b ⁽¹⁾,…,M_b ^(λ)。

以子模型集M⁽¹⁾={m_i,m_j}为例，由其构成的期望模型e₁可写为：

$x(k+1)=F\left(k\right)x\left(k\right)+G^{(0,\mathrm{ji})}\left(k\right)\mathrm{\δ}\left(k\right)+G^i\left(k\right){\stackrel{\‾}{\mathrm{\δ}}}_i\left(k\right)+G^j\left(k\right){\stackrel{\‾}{\mathrm{\δ}}}_j\left(k\right)+\mathrm{\Γ}\left(k\right)w\left(k\right)$

y(k)=H(k)x(k)+v(k)

其中G^(0,ij)表示令矩阵G的第i和第j列元素为0；

表示第i和第j个故障舵面的偏转，即故障参数。

如果期望模型个数为λ，则期望模型集可写为：

E_k=E(M_b;M_b ⁽¹⁾,…,M_b ^(λ))={e₁,…,e_λ}

在每个时刻，组合基本模型集和期望模型集得到当前时刻故障模型集后，当前时刻模型集建立模块530根据当前时刻故障模型集对概率转移矩阵进行更新。

在本发明的一个实施例中，滤波和概率更新模块550对当前时刻模型分别进行滤波得到状态估计和残差，并对当前时刻模型的概率进行更新，包括：

（1）根据上一时刻模型的滤波器的状态估计和协方差输出值，初始化当前时刻各个故障模型对应的滤波器的状态估计和协方差，并预测当前时刻各个故障模型的概率；

（2）根据卡尔曼滤波过程，分别对当前时刻各个故障模型更新状态估计和协方差，并计算残差和残差协方差；

滤波过程如下：

$\hat{x}(k+1|k+1)=\hat{x}(k+1|k)+K(k+1)r(k+1)$

$\hat{x}(k+1|k)=\hat{x}\left(k\right|k)+\stackrel{.}{\hat{x}}\left(k\right|k)\mathrm{Ts}$

$\stackrel{.}{\hat{x}}\left(k\right|k)=f(\hat{x}\left(k\right|k),u_k)$

K(k+1)=P(k+1|k)H^T(k+1)[H(k+1)P(k+1|k)H^T(k+1)+R_w(k+1)]^-1

P(k+1|k)=P(k+1)F(k)P(k|k)F^T(k)+R_v(k+1)

P(k+1|k+1)=[I-K(k+1)H(k+1)]P(k+1|k)

$r(k+1)=y(k+1)-h(k+1,\hat{x}(k+1|k))$

S(k+1)=H(k+1)P(k+1|k)H(k+1)+R_v(k+1)

其中x为滤波器状态向量，P为滤波器的协方差阵，K为增益矩阵，r和S为输出残差和残差协方差，T为滤波器采样周期，R_w(k+1)和R_v(k+1)分别为系统噪声协方差阵和测量噪声协方差阵。

（3）滤波和概率更新模块550根据贝叶斯后验概率准则计算当前时刻各个故障模型的概率。

各个故障模型的概率更新如下：

${\mathrm{\μ}}_j\left(k\right)=P\left(m_j\left(k\right)\right|z^k)=\frac{L_j\left(k\right)\·{\mathrm{\μ}}_j\left(k\right|k-1)}{\underset{i}{\mathrm{\Σ}}{L}_i\left(k\right)\·{\mathrm{\μ}}_i\left(k\right|k-1)}$

$L_j\left(k\right)=\frac{1}{{\left(2\mathrm{\π}\right)}^{m/2}{\left|S_j\left(k\right)\right|}^{1/2}}\·e^{-r_j^T\left(k\right){\left|S_j\left(k\right)\right|}^{1/2}{r}_j\left(k\right)/2}$

其中μ_j(k)表示k时刻，第j个模型的概率，μ_j(k|k-1)表示k时刻，第j个模型的预测概率。

根据本发明实施例的基于期望模式扩展的多模型飞行控制系统故障诊断装置，通过采用期望模式扩展，实现了变结构的多模型方法，即实现了模型集的在线自适应更新，通过期望模型来描述系统未来可能的故障模式，解决了模型集巨大的问题，可获得一种快速准确的故障诊断方法，能在线实时检测单个或者多个故障，为自修复控制和维护决策提供了基础和保障。

如图6所示，本发明第三方面实施例的飞行控制系统600，包括：

自动驾驶仪模块610、基本飞行控制模块620、故障检测与诊断模块630、重构控制模块640、座舱650。

其中，自动驾驶仪模块610用于根据飞机的飞行导引指令，输出自动驾驶指令，控制飞机进行自动飞行；基本飞行控制模块620用于根据自动驾驶仪610的输出指令或者座舱650的驾驶员操纵指令，通过基本PID控制器分别按照各个指令对飞机进行控制，输出各个舵面的偏转指令；故障检测与诊断模块630，采用如本发明第二方面实施例所述的基于期望模式扩展的多模型飞行控制系统故障诊断装置，用于检测和诊断飞行控制系统的故障，输出故障信息；重构控制模块640，用于根据故障诊断模块的输出信息，重构飞行控制律；座舱650，为半实物装置，用于供飞行员输入驾驶杆信息，手动控制飞机飞行。

在本发明的一个实施例中，飞行控制系统还进一步包括：视景模块660，用于显示飞机飞行状态以及故障信息、故障诊断结果；接口模块670，用于与外部进行通讯。

在本发明的实施例中，与外部进行通讯，包括与综合导航系统、驾驶舱和视景系统进行数据的通讯，需要注意的是，本实施例所示例的通讯仅用于解释本发明，而不能解释为对本发明的限制。

根据本发明实施例的飞行控制系统，能够对飞机所发生的故障做出快速、有效、准确的故障诊断，能在线实时检测单个或者多个故障，为飞机发生故障时的自修复控制和维护决策提供了基础和保障，有效地提高了排除故障效率、缩短维修时间、减少维修成本、提高飞机的安全性。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同限定。

Claims (18)

1.一种基于期望模式扩展的多模型飞行控制系统故障诊断方法，其特征在于，包括：

统计飞行控制系统的各种故障并建立对应的多个单故障模型，根据所述多个单故障模型建立基本模型集；

预测当前时刻的所述多个故障模型的概率，根据所述基本模型集以及所述当前时刻预测概率最大的前多个故障模型得到所述预设数目个期望模型，将所述预设数目个期望模型组合，建立期望模型集；

组合所述基本模型集和所述期望模型集得到当前时刻模型集，并根据当前时刻模型集更新概率转移矩阵；

对当前时刻模型集中的每个故障模型进行滤波和概率更新；以及

对所述故障模型的概率设置概率阈值，并将所述当前时刻模型集中的每个所述故障模型的概率与所述概率阈值进行比较，如果所述故障模型的概率大于或等于所述概率阈值，则判断所述飞行控制系统发生所述故障模型对应的故障。

2.如权利要求1所述的基于期望模式扩展的多模型飞行控制系统故障诊断方法，其特征在于，所述基本模型集由飞行控制系统的各种单故障模型组成，包括操作舵面故障模型、作动器故障模型和传感器故障模型。

3.如权利要求1所述的基于期望模式扩展的多模型飞行控制系统故障诊断方法，其特征在于，所述预测当前时刻的所述多个故障模型的概率进一步包括：根据上一时刻模型的概率以及上一时刻模型集的概率转移矩阵预测当前时刻的所述多个故障模型的概率。

4.如权利要求1所述的基于期望模式扩展的多模型飞行控制系统故障诊断方法，其特征在于，所述根据当前时刻模型集更新概率转移矩阵进一步包括：

根据实际系统故障模式间的关系，绘制所述基本模型集的状态转换图，得到所述基本模型集的状态转换关系，设定所述基本模型集的概率转移矩阵的预设值；

绘制当前时刻模型集的状态转换关系，并在基本模型集的概率转移矩阵基础上计算得到当前时刻模型集的概率转移矩阵。

5.如权利要求1所述的基于期望模式扩展的多模型飞行控制系统故障诊断方法，其特征在于，所述根据所述基本模型集以及所述当前时刻预测概率最大的前多个基本故障模型得到所述预设数目个期望模型，将所述预设数目个期望模型组合，建立期望模型集进一步包括： 

根据所需所述期望模型的个数确定所述基本模型集的子模型集个数；

在所述基本模型集中选取所述当前时刻模型的概率最大的前多个模型组合得到预设数目的模型集，组合所述模型集得到预设数目的子模型集序列；

将所述子模型集序列中每一个子模型集的模型组合得到一个期望模型，由所述期望模型得到所述期望模型集。

6.如权利要求1所述的基于期望模式扩展的多模型飞行控制系统故障诊断方法，其特征在于，所述对当前时刻模型集中的每个故障模型进行滤波和概率更新进一步包括：

在每个时刻由所述基本模型集和所述期望模型组合得到所述当前时刻模型集后，对所述当前时刻故障模型集中的每个故障模型分别进行滤波得到状态估计和残差，并对所述故障模型的概率进行更新。

7.如权利要求1所述的基于期望模式扩展的多模型飞行控制系统故障诊断方法，其特征在于，对所述当前时刻故障模型集中的每个故障模型分别进行滤波得到状态估计和残差，并对所述故障模型的概率进行更新，进一步包括：

根据上一时刻模型的滤波器的所述状态估计和协方差输出值，初始化所述当前时刻模型对应的滤波器的所述状态估计和所述协方差，并预测所述当前时刻模型的概率；

根据卡尔曼滤波过程，分别对所述当前时刻模型更新所述状态估计和所述协方差，并计算所述残差和残差协方差；

根据贝叶斯后验概率准则计算所述当前时刻模型的概率。

8.一种基于期望模式扩展的多模型飞行控制系统故障诊断装置，其特征在于，包括：

基本模型集建立模块，所述基本模型集建立模块用于统计飞行控制系统的各种故障并建立对应的多个单故障模型，并根据所述多个单故障模型建立基本模型集；

期望模型集建立模块，所述期望模型集建立模块用于预测当前时刻的所述多个故障模型的概率，根据所述基本模型集以及所述当前时刻预测概率最大的前多个故障模型得到所述预设数目个期望模型，将所述预设数目个期望模型组合，建立期望模型集；

当前时刻模型集建立模块，所述当前时刻模型集建立模块用于组合所述基本模型集和所述期望模型集得到当前时刻模型集，并根据当前时刻模型集更新概率转移矩阵；

滤波和概率更新模块，所述滤波和概率更新模块对所述当前时刻模型分别进行滤波得到状态估计和残差，并对所述当前时刻模型的概率进行更新；

故障判断模块，所述故障判断模块对所述故障模型的概率设置概率阈值，并将所述当前时刻模型集中的每个所述故障模型的概率与概率阈值进行比较，如果所述故障模型的概率大于或等于所述概率阈值，则所述故障判断模块判断所述飞行控制系统发生所述故障模型 对应的故障。

9.如权利要求8所述的基于期望模式扩展的多模型飞行控制系统故障诊断装置，其特征在于，所述基本模型集由飞行控制系统的各种单故障模型组成，包括操作舵面故障模型、作动器故障模型和传感器故障模型。

10.如权利要求8所述的基于期望模式扩展的多模型飞行控制系统故障诊断装置，其特征在于，所述预测当前时刻的所述多个故障模型的概率进一步包括：根据上一时刻模型的概率以及上一时刻模型集的概率转移矩阵预测当前时刻的所述多个故障模型的概率。

11.如权利要求10所述的基于期望模式扩展的多模型飞行控制系统故障诊断装置，其特征在于，首次预测时所述当前时刻模型集建立模块将所述基本模型集的概率转移矩阵设置为预设值，其中所述预设值的设定进一步包括：

根据实际系统故障模式间的关系，绘制所述基本模型集的状态转换图，得到所述基本模型集的状态转换关系，并设定所述基本模型集的概率转移矩阵的预设值。

12.如权利要求8所述的基于期望模式扩展的多模型飞行控制系统故障诊断装置，其特征在于，所述根据所述基本模型集以及所述当前时刻预测概率最大的前多个故障模型得到所述预设数目个期望模型，将所述预设数目个期望模型组合，建立期望模型集，还进一步包括：

所述期望模型建立模块根据所需所述期望模型集的个数确定所述基本模型集的子模型集个数；

所述期望模型建立模块在所述基本模型集中选取所述当前时刻模型的概率最大的前多个模型，组合所述模型得到预设数目的子模型集序列；

所述期望模型建立模块将所述子模型集序列中每一个子模型集的模型组合得到一个期望模型，由所述期望模型得到所述期望模型集。

13.如权利要求8所述的基于期望模式扩展的多模型飞行控制系统故障诊断装置，其特征在于，所述当前时刻模型集建立模块将所述基本模型集和所述期望模型集组合得到当前时刻模型集，并根据当前时刻模型集更新概率转移矩阵进一步包括：

绘制当前时刻模型集的状态转换关系，并在基本模型集的概率转移矩阵基础上计算得到当前时刻模型集的概率转移矩阵。

14.如权利要求8所述的基于期望模式扩展的多模型飞行控制系统故障诊断装置，其特征在于，所述滤波和概率更新模块对所述当前时刻模型分别进行滤波得到状态估计和残差，并对所述当前时刻模型的概率进行更新进一步包括：

根据上一时刻模型的滤波器的所述状态估计和协方差输出值，初始化所述当前时刻模型 对应的滤波器的所述状态估计和所述协方差，并预测所述当前时刻模型的概率；

根据卡尔曼滤波过程，分别对所述当前时刻模型更新所述状态估计和所述协方差，并计算所述残差和残差协方差；

根据贝叶斯后验概率准则计算所述当前时刻各个所述故障模型的概率。

15.一种飞行控制系统，其特征在于，包括：

自动驾驶仪模块，所述自动驾驶仪模块用于根据飞机的飞行导引指令，输出自动驾驶指令，控制飞机进行自动飞行；

基本飞行控制模块，所述基本飞行控制模块用于根据所述自动驾驶指令，通过基本的PID控制器分别按照各个指令对飞机进行控制；

如权利要求8-14任一项所述的故障检测与诊断模块，所述故障检测与诊断模块用于检测和诊断飞行控制系统的故障，输出故障信息和故障诊断结果；

重构控制模块，所述重构控制模块用于根据所述故障信息重构飞行控制律；以及

座舱，所述座舱为半实物装置，用于输入驾驶杆信息，手动控制飞机飞行。

16.如权利要求15所述的飞行控制系统，其特征在于，还包括视景模块，所述视景模块用于显示飞机飞行状态、所述故障信息以及所述故障诊断结果。

17.如权利要求15所述的飞行控制系统，其特征在于，还包括接口模块，所述接口模块用于与外部进行通讯。

18.如权利要求17所述的飞行控制系统，其特征在于，所述与外部进行通讯包括与综合导航系统、驾驶舱和视景系统进行数据通讯。 

Images